傳統計算的主要特徵是嚴格、確定和精確，但其並不適合處理現實生活中的許多問題，例如駕駛汽車、下棋、家電控制…等。但軟式計算基於其不確定、不精確及不完全真值的容錯特性，可提供低成本的方案解決許多日常生活中的問題。本課程將介紹軟式計算的基本原理、相關計算模式，及其在人工智慧與機器學習領域的應用。本課程將介紹的軟式計算的計算模式主要包括了: Neural networks、fuzzy logic、evolutionary computation、simulated annealing、swarm intelligence…等。此外，在機器學習領域，本課程將著重介紹強化學習 (reinforcement learning)，其靈感發源於心理學的行為主義，有機體在環境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預期，因而產生能獲得最大利益的習慣性行為。強化學習和傳統的監督式學習 (supervised learning) 間的主要區別在於，它在學習時並不需要使用完全正確的輸入/輸出樣本資料，故其需要在未知領域探索和遵從現有知識間找到平衡。強化學習在許多問題上得到應用，包括機器人控制、電梯調度、電信通訊及下棋...等。近年來比較知名的應用包括了: Alpha Go/Alpha Zero、DeepMind 的跑酷機器人、爲 Google 的能源中心節能...等。本課程將搭配相關工具軟體的實際演練，讓學生未來可易於將所學套用在研究與工作上。

1. Sebastian Raschka,‎ Vahid Mirjalili, Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow, 2nd Edition, Packt Publishing Limited., September 20, 2017.
2. Prateek Joshi, Artificial Intelligence with Python, Packt Publishing Limited., January 2017.
3. Sudharsan Ravichandiran, Hands-On Reinforcement Learning with Python, Packt Publishing Limited., June 2018.